通过访客聚类,您可以利用客户特性对访客进行动态分类,并基于选定的数据输入生成聚类集,从而识别具有相似兴趣和行为的群组,以便进行客户分析和定位。
聚类流程
聚类流程需要您识别可用作输入的量度和维度元素,并允许您选择一个特定目标人群,以应用这些元素创建指定的聚类。在运行聚类流程时,系统会使用量度和维度输入,为指定数量的聚类确定正确的初始中心。这些中心此后将作为应用 K-Means 算法的起点。
The Maximum Iterations in the Options menu allows the analyst to specify the maximum number of iterations to be performed by the clustering algorithm. 设置此选项,可能会以降低聚类中心聚合的准确度为代价,更快地完成基于最大迭代上限的聚类流程。
定义群集后,可以保存群集维以便像任何其他维一样使用。 也可以将它加载到聚类浏览器中,以检查聚类中心的分离情况。
In the Cluster Builder, you can select Options > Algorithm to select algorithms when defining clusters. 目前,有3种支持的算法:
++
有两种方法可运行群集过程:
该算法具有以下限制:
在文 DPU.cfg 件中,“查询,内存限制”的值默认设置为500 MB。 运行多个群集作业时必须增加此值。 例如,如果您并行运行5个群集作业,请将此值增加到1 GB。 如果不重新启动服务器,就无法取消群集作业。
推荐
迭代次数(扫描数据的次数)和您配置的收敛阈值会严重影响群集性能。 下表提供了更广泛的指导原则,您可以遵循这些原则:
群集数 | 算法 | 迭代 | 收敛阈值 | 标准化 |
---|---|---|---|---|
6 | Kmeans | 25,50 | 1e-3 | 最小——最大 |
6 | Kmeans | 25,50 | 1e-6 | 最小——最大 |
6 | Kmeans++ | 50 | 1e-6 | 最小——最大 |